[发明专利]一种基于密度筛选与K-均值聚类的反窃电预警方法及系统

说明书

本发明公开了一种基于密度筛选与K‑均值聚类的反窃电预警方法及系统，其中方法包括：获取目标行业正常用户限定期间的用电数据作为训练样本；将训练样本进行归一化处理，获取经过处理的训练样本；基于密度筛选法，获取经过处理的训练样本的初始聚类中心和聚类数；将初始聚类中心和聚类数作为K‑均值聚类的初始值，基于K‑均值聚类对经过处理的训练样本进行聚类，获取目标行业典型负荷曲线；计算待检用户的负荷曲线与目标行业典型负荷曲线的负荷曲线的欧氏距离和余弦距离；基于欧氏距离和余弦距离确定待检用户的异常度指标；当异常度指标大于预先设定的异常阈值时，将待检用户判断为窃电嫌疑用户。

技术领域

本发明涉及反窃电技术领域，更具体地，涉及一种基于密度筛选与K-均值聚类的反窃电预警方法及系统。

背景技术

当前，一些不法个人和单位采取各种窃电手段，以达到节省生产成本，追求高利润的目的。在窃电手段方面，与以前的欠压、欠流等传统窃电方法相比，现有的窃电手段具有新的特点、手段更多元化、方法更隐蔽，且呈现出技术化和高科技化趋势，这使得国家蒙受巨大的经济损失。据统计，我国每年因窃电导致电力企业产生的损失高达200亿元，给国家造成巨大经济损失，同时社会供电秩序也深受影响。

目前的窃电检测手段分为技术手段和管理手段，技术手段主要是通过加装反窃电装置，或在表计中增加反窃电模块。管理手段有设立稽查队伍、宣传相关法律知识等措施。但是这些手段时效性差、准确率低、人力物力投入大。因此国家相关电力部门必须展开反窃电预警工作，维护供电工作的正常秩序，降低电力企业的经济损失。

在窃电检测和预警方法研究方面，国内外对用户用电行为分析采用得比较多的方法是聚类分析。该方法通过对用户负荷曲线进行聚类，得到了用户的负荷特征曲线，从负荷特征曲线中获取用户用电高峰时间、最大负荷等基本信息。随着智能电网的构建，负荷分类方法的研究越来越深入。在电力负荷聚类分析中，使用得较多的有：FCM算法、K-means算法。传统的K-means算法的聚类结果易受聚类数K值的影响，对初始聚类中心的选择依赖性也比较大，选择不同的初始聚类中心其聚类结果通常不一样，结果具有很大的不确定性，聚类指标往往会收敛于局部最优。目前对K-means算法的研究主要集中在两个方向：一是研究如何获得更好的初始聚类中心；二是研究如何获得最佳的聚类数，即最优的k值。然而K-means算法聚类结果易受值和初始聚类中心的影响，难以预测窃电嫌疑用户。

发明内容

本发明技术方案提供一种基于密度筛选与K-均值聚类的反窃电预警方法及系统，以解决如何基于密度筛选与K-均值聚类的进行反窃电预警的问题。

为了解决上述问题，本发明提供了一种基于密度筛选与K-均值聚类的反窃电预警方法，所述方法包括：

获取目标行业正常用户限定期间的用电数据作为训练样本；

将所述训练样本进行归一化处理，获取经过处理的训练样本；

基于密度筛选法，获取经过处理的训练样本的初始聚类中心和聚类数；

将所述初始聚类中心和所述聚类数作为K-均值聚类的初始值，基于所述K-均值聚类对经过处理的训练样本进行聚类，获取目标行业典型负荷曲线；

计算待检用户的负荷曲线与所述目标行业典型负荷曲线的负荷曲线的欧氏距离和余弦距离；

基于所述欧氏距离和所述余弦距离确定待检用户的异常度指标；

当所述异常度指标大于预先设定的异常阈值时，将所述待检用户判断为窃电嫌疑用户。

优选地，所述将所述训练样本进行归一化处理，获取经过处理的训练样本，包括：

所述训练样本为P_w'＝{X_wi'}(i＝1,2,...,s)，X_wi'是第w个行业第i个用户的数据，s为该行业提取的用户数；